CN106599905B - 一种基于深度学习的套牌车分析方法 - Google Patents

一种基于深度学习的套牌车分析方法 Download PDF

Info

Publication number
CN106599905B
CN106599905B CN201611049366.3A CN201611049366A CN106599905B CN 106599905 B CN106599905 B CN 106599905B CN 201611049366 A CN201611049366 A CN 201611049366A CN 106599905 B CN106599905 B CN 106599905B
Authority
CN
China
Prior art keywords
vehicle
fake
car
doubtful
licensed car
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611049366.3A
Other languages
English (en)
Other versions
CN106599905A (zh
Inventor
沈贝伦
陆韵
沈俊青
宋冠弢
张登
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Zhongao Technology Co Ltd
Original Assignee
Hangzhou Zhongao Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Zhongao Technology Co Ltd filed Critical Hangzhou Zhongao Technology Co Ltd
Priority to CN201611049366.3A priority Critical patent/CN106599905B/zh
Publication of CN106599905A publication Critical patent/CN106599905A/zh
Application granted granted Critical
Publication of CN106599905B publication Critical patent/CN106599905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于套牌车辆识别的技术领域，公开了一种基于深度学习的套牌车分析方法，该方法基于车辆识别系统获取结构化过车记录及获取记录的位置，利用时空规则，提取出疑似套牌车；并根据疑似套牌车的车辆图片，通过二次识别，根据分类判别方法判定出套牌车。本发明一种基于深度学习的套牌车分析方法，采用时空规则和深度学习相结合的方法来达到套牌车辆的准确识别，解决了仅采用时空规则分析导致的准确度较低，无法排除车牌识别错误的问题，导致误判的情况；而仅采用车辆特征的识别，导致数据庞大，记标速度受限，识别较慢，通过时空规则和深度学习两者的结合，提高了识别的准确度和识别速度，提高套牌车辆的识别效果。

Description

一种基于深度学习的套牌车分析方法
【技术领域】
本发明涉及套牌车辆识别的技术领域，特别涉及一种基于深度学习的套牌车分析方法。
【背景技术】
随着城市建设、汽车工业的发展，我国的机动车数量稳步增长，随之而来的假牌照、套牌照等车辆违法犯罪活动也日益增多。随之而来的涉及套牌车的违法犯罪活动也愈演愈烈。车辆套牌现象，是指车辆非法使用与其他合法车辆相同的车牌号的现象。套牌车损害了实际车主的合法权益，给不法分子提供了违法乱纪的工具。近年来，各级公安交通管理部门开始大规模建设公路车辆智能监测记录系统，对车辆进行监控，然而，目前国内对于套牌车辆的查处主要依靠人工识别和群众举报等方式，套牌车问题仍然屡见不鲜。
目前，通过时空规则识别的准确度不高，通过大数据计算识别的速度较慢，且目前车牌不再是车辆唯一标识的问题。深度学习可以用来目标检测和识别，为了降低套牌车辆对社会安全和交通运输行业秩序有着较大的负面影响，提高套牌车辆的识别准确度，有必要提出一种基于深度学习的套牌车分析方法。
【发明内容】
本发明的目的在于克服上述现有技术的不足，提供一种基于深度学习的套牌车分析方法，其旨在解决现有技术中套牌车辆识别准确度较低、识别速度较慢的技术问题。
为实现上述目的，本发明提出了一种基于深度学习的套牌车分析方法，该方法基于车辆识别系统获取结构化过车记录及获取记录的位置，利用时空规则，提取出疑似套牌车；并根据疑似套牌车的车辆图片，通过二次识别，根据分类判别方法判定出套牌车，具体步骤如下：
A)、初始化：从车辆识别系统中获取相同车牌的结构化过车记录和记录的位置，并输出一对结构化数据；
B)、疑似套牌车提取：根据步骤一中的一对结构化数据，利用时空规则提取出疑似套牌车；
C)、车辆二次识别：从车辆识别系统中获取疑似套牌车的车辆图片，并提取出对应疑似套牌车的图片特征，将疑似套牌车的图片特征作为二次识别的特征，分别与车辆管理部门该车牌所对应注册的车辆图片特征比对，进行疑似套牌车的二次识别，并采用分类判别的方法判定疑似套牌车是否为套牌车，并输出判定结果。
作为优选，所述的车辆识别系统包括卡口系统，当车辆识别系统为卡口系统时，所述的记录的位置为卡口设置的地理位置。
作为优选，所述的步骤二中的时空规则为所述的|d1-d2|为步骤一中过车记录的位置之间的最短路程，所述的|s1-s2|为步骤一中过车记录之间的时间差，所述的θ为设定的阈值。
作为优选，当过车记录的位置之间的最短路程|d1-d2|与过车记录之间的时间差|s1-s2|之比大于设定的阈值θ时，则可以判定为疑似套牌车。
作为优选，所述的θ是由相关道路的最高限速信息所设定的最大行驶速度。
作为优选，所述的步骤三中对应疑似套牌车的图片特征包括车牌颜色、车辆颜色、车辆车标、车头灯轮廓、车前脸轮廓、外形轮廓，所述步骤三中的二次识别可采用深度学习法，所述的步骤三中的分类判别方法具体步骤为：
a)、根据车辆管理部门该车牌所对应注册的车辆图片特征建立特征模型f(F0)，并设定特征相似度阈值σ；
b)、根据疑似套牌车的车牌颜色、车辆颜色、车辆车标、车头灯轮廓、车前脸轮廓、外形轮廓等图片特征建立疑似套牌车模型f(Fx)；
c)、将疑似套牌车模型f(Fx)与特征模型f(F0)一一进行比对，计算各特征的相似度；
d)、累计各特征的相似度，得到疑似套牌车模型f(Fx)的总特征相似度，若总特征相似度小于特征相似度阈值σ，则判定该疑似套牌车为套牌车辆；若比对总特征相似度大于等于特征相似度阈值σ，则判定该车辆不为套牌车辆。
本发明的有益效果：与现有技术相比，本发明提供的一种基于深度学习的套牌车分析方法，采用时空规则和深度学习相结合的方法来达到套牌车辆的准确识别，解决了仅采用时空规则分析导致的准确度较低，无法排除车牌识别错误的问题，导致误判的情况；而仅采用车辆特征的识别，导致数据庞大，记标速度受限，识别较慢，通过时空规则进行初判，然后通过深度学习建立模型，进行车辆车型的识别工作，采用时空规则与深度学习相结合，识别精度更高、训练好之后进行识别图片所需的计算时间更短，大大提高了车辆的识别准确度和识别速度，提高套牌车辆的识别效果。
本发明的特征及优点将通过实施例进行详细说明。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚明了，下面通过实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明实施例提供一种基于深度学习的套牌车分析方法，该方法基于车辆识别系统获取结构化过车记录及获取记录的位置，利用时空规则，提取出疑似套牌车；并根据疑似套牌车的车辆图片，通过二次识别，根据分类判别方法判定出套牌车，具体步骤如下：
A)、初始化：从车辆识别系统中获取相同车牌的结构化过车记录和记录的位置，并输出一对结构化数据；
B)、疑似套牌车提取：根据步骤一中的一对结构化数据，利用时空规则提取出疑似套牌车；
C)、车辆二次识别：从车辆识别系统中获取疑似套牌车的车辆图片，并提取出对应疑似套牌车的图片特征，将疑似套牌车的图片特征作为二次识别的特征，分别与车辆管理部门该车牌所对应注册的车辆图片特征比对，进行疑似套牌车的二次识别，并采用分类判别的方法判定疑似套牌车是否为套牌车，并输出判定结果。
具体地，所述的车辆识别系统包括卡口系统，当车辆识别系统为卡口系统时，所述的记录的位置为卡口设置的地理位置。
进一步地，所述的步骤二中的时空规则为所述的|d1-d2|为步骤一中过车记录的位置之间的最短路程，所述的|s1-s2|为步骤一中过车记录之间的时间差，所述的θ为设定的阈值，当过车记录的位置之间的最短路程|d1-d2|与过车记录之间的时间差|s1-s2|之比大于设定的阈值θ时，则可以判定为疑似套牌车，所述的θ是由相关道路的最高限速信息所设定的最大行驶速度。
更进一步地，所述的步骤三中对应疑似套牌车的图片特征包括车牌颜色、车辆颜色、车辆车标、车头灯轮廓、车前脸轮廓、外形轮廓，所述步骤三中的二次识别可采用深度学习法，所述的步骤三中的分类判别方法具体步骤为：
a)、根据车辆管理部门该车牌所对应注册的车辆图片特征建立特征模型f(F0)，并设定特征相似度阈值σ；
b)、根据疑似套牌车的车牌颜色、车辆颜色、车辆车标、车头灯轮廓、车前脸轮廓、外形轮廓等图片特征建立疑似套牌车模型f(Fx)；
c)、将疑似套牌车模型f(Fx)与特征模型f(F0)一一进行比对，计算各特征的相似度；
d)、累计各特征的相似度，得到疑似套牌车模型f(Fx)的总特征相似度，若总特征相似度小于特征相似度阈值σ，则判定该疑似套牌车为套牌车辆；若比对总特征相似度大于等于特征相似度阈值σ，则判定该车辆不为套牌车辆。
在本发明实施例中，从车辆识别系统中获取得到相同车牌的车辆先后或同时在A卡口、B卡口经过，则根据A卡口至B卡口的最短距离|d1-d2|和经过A卡口和B卡口的时间差|s1-s2|，通过时空规则计算得到数值，若该数值大于设定的阈值θ时，则可以判定为疑似套牌车，所述的θ是由相关道路的最高限速信息所设定的最大行驶速度。
但上述情况包含特殊情况，即车辆识别系统出现车牌识别错误的问题或者两个卡口之间距离非常近，可实现同时经过的情况，则时空规则对该特殊情况无法做出准确的判断。
针对上述的特殊情况，采用车辆二次识别来作进一步判断，二次识别采用深度学习法来达到准确提取特征的目的，根据疑似套牌车的车牌号查找到车辆管理部门该车牌所对应注册的车辆图片，并建立特征模型f(F0)，采用分类判别的方法依次进行以下对比分析：
(1)将疑似套牌车模型f(Fx)的车牌颜色与特征模型f(F0)的车牌颜色对比分析，并计算相似度；
(2)将疑似套牌车模型f(Fx)的车辆颜色与特征模型f(F0)的车辆颜色对比分析，并计算相似度；
(3)将疑似套牌车模型f(Fx)的车辆车标与特征模型f(F0)的车辆车标对比分析，并计算相似度；
(4)将疑似套牌车模型f(Fx)的车头灯轮廓与特征模型f(F0)的车头灯轮廓对比分析，并计算相似度；
(5)将疑似套牌车模型f(Fx)的车前脸轮廓与特征模型f(F0)的车前脸轮廓对比分析，并计算相似度；
(6)将疑似套牌车模型f(Fx)的外形轮廓与特征模型f(F0)的外形轮廓对比分析，并计算相似度；
累计以上各特征的相似度得到疑似套牌车模型f(Fx)的总特征相似度，若总特征相似度大于设定的特征相似度阈值σ，则判定该疑似套牌车为套牌车辆；若总特征相似度大于等于特征相似度阈值σ，则判定该车辆不为套牌车辆。
本发明一种基于深度学习的套牌车分析方法，采用时空规则和二次识别相结合的方法来达到套牌车辆的准确识别，解决了仅采用时空规则分析导致的准确度较低，无法排除车牌识别错误的问题，导致误判的情况；而仅采用车辆特征的识别，导致数据庞大，记标速度受限，识别较慢，通过时空规则进行初判，然后通过深度学习建立模型，进行车辆车型的识别工作，采用时空规则与深度学习相结合，识别精度更高、训练好之后进行识别图片所需的计算时间更短，大大提高了车辆的识别准确度和识别速度，提高套牌车辆的识别效果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于深度学习的套牌车分析方法，其特征在于：该方法基于车辆识别系统获取结构化过车记录及获取记录的位置，利用时空规则，提取出疑似套牌车；并根据疑似套牌车的车辆图片，通过二次识别，根据分类判别方法判定出套牌车，具体步骤如下：
A）、初始化：从车辆识别系统中获取相同车牌的结构化过车记录和记录的位置，并输出一对结构化数据，车辆识别系统包括卡口系统，当车辆识别系统为卡口系统时，所述的记录的位置为卡口设置的地理位置；
B）、疑似套牌车提取：根据步骤一中的一对结构化数据，利用时空规则提取出疑似套牌车，时空规则为，所述的为步骤一中过车记录的位置之间的最短路程，所述的为步骤一中过车记录之间的时间差，所述的为设定的阈值，当过车记录的位置之间的最短路程与过车记录之间的时间差之比大于设定的阈值时，则可以判定为疑似套牌车，是由相关道路的最高限速信息所设定的最大行驶速度；
C）、车辆二次识别：从车辆识别系统中获取疑似套牌车的车辆图片，并提取出对应疑似套牌车的图片特征，包括车牌颜色、车辆颜色、车辆车标、车头灯轮廓、车前脸轮廓、外形轮廓，将疑似套牌车的图片特征作为二次识别的特征，分别与车辆管理部门该车牌所对应注册的车辆图片特征比对，进行疑似套牌车的二次识别，二次识别采用深度学习法，并采用分类判别的方法判定疑似套牌车是否为套牌车，并输出判定结果，分类判别方法具体步骤为：
a）、根据车辆管理部门该车牌所对应注册的车辆图片特征建立特征模型，并设定特征相似度阈值；
b）、根据疑似套牌车的车牌颜色、车辆颜色、车辆车标、车头灯轮廓、车前脸轮廓、外形轮廓图片特征建立疑似套牌车模型；
c）、将疑似套牌车模型与特征模型一一进行比对，计算各特征的相似度；
d）、累计各特征的相似度，得到疑似套牌车模型的总特征相似度，若总特征相似度小于特征相似度阈值，则判定该疑似套牌车为套牌车辆；若比对总特征相似度大于等于特征相似度阈值，则判定该车辆不为套牌车辆。
CN201611049366.3A 2016-11-25 2016-11-25 一种基于深度学习的套牌车分析方法 Active CN106599905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611049366.3A CN106599905B (zh) 2016-11-25 2016-11-25 一种基于深度学习的套牌车分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611049366.3A CN106599905B (zh) 2016-11-25 2016-11-25 一种基于深度学习的套牌车分析方法

Publications (2)

Publication Number Publication Date
CN106599905A CN106599905A (zh) 2017-04-26
CN106599905B true CN106599905B (zh) 2018-04-10

Family

ID=58591910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611049366.3A Active CN106599905B (zh) 2016-11-25 2016-11-25 一种基于深度学习的套牌车分析方法

Country Status (1)

Country Link
CN (1) CN106599905B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107195181B (zh) * 2017-06-02 2019-08-02 中通服咨询设计研究院有限公司 一种根据套牌车识别规则库识别套牌车的方法
CN107346435A (zh) * 2017-06-15 2017-11-14 浙江捷尚视觉科技股份有限公司 一种基于车辆特征库的嫌疑套牌车捕获方法
CN107798879A (zh) * 2017-10-25 2018-03-13 济南浪潮高新科技投资发展有限公司 一种智能识别套牌车的方法
CN109299729B (zh) * 2018-08-24 2021-02-23 四川大学 车辆检测方法及装置
CN111369801B (zh) * 2019-08-27 2021-11-23 杭州海康威视系统技术有限公司 车辆识别方法、装置、设备和存储介质
CN110991255B (zh) * 2019-11-11 2023-09-08 智慧互通科技股份有限公司 一种基于深度学习算法的检测套牌车的方法
CN111079940B (zh) * 2019-11-29 2023-03-31 武汉烽火众智数字技术有限责任公司 用于实时套牌车分析的决策树模型建立方法和使用方法
CN111078973B (zh) * 2019-12-16 2023-10-20 浙江省北大信息技术高等研究院 基于大数据的套牌车识别方法、设备及存储介质
CN112257869A (zh) * 2020-09-29 2021-01-22 北京北大千方科技有限公司 基于随机森林的套牌车分析方法、系统及计算机介质
CN113806576B (zh) * 2021-08-10 2023-08-18 深圳市广电信义科技有限公司 基于图像的车辆检索方法、装置、电子设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104517445A (zh) * 2014-12-09 2015-04-15 浪潮电子信息产业股份有限公司 一种基于大数据的套牌车辆识别方法
CN105488479B (zh) * 2015-12-03 2019-08-02 浙江宇视科技有限公司 一种基于加权局部特征比对的车辆套牌识别方法及装置
CN105448103B (zh) * 2015-12-24 2018-01-26 北京旷视科技有限公司 车辆套牌检测方法与系统
CN105654730B (zh) * 2015-12-31 2018-07-31 公安部交通管理科学研究所 一种基于卡口过车大数据分析的套牌车认定方法
CN105551261A (zh) * 2016-03-04 2016-05-04 博康智能网络科技股份有限公司 换牌车辆检测方法及其系统
CN106127248A (zh) * 2016-06-24 2016-11-16 平安科技（深圳）有限公司 基于深度学习的车牌分类方法及系统

Also Published As

Publication number Publication date
CN106599905A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
CN106599905B (zh) 一种基于深度学习的套牌车分析方法
CN103810505B (zh) 基于多层描述子的车辆标识方法与系统
CN103488973B (zh) 基于图像的车辆品牌识别方法和系统
CN101587544B (zh) 基于计算机视觉的机动车车载反跟踪装置
TWI430212B (zh) 利用多特徵自動集群法之異常行為偵測系統與方法
CN105894819B (zh) 一种基于二次验证的套牌车识别方法
CN104063712B (zh) 一种车辆信息提取方法和系统
CN106203294A (zh) 基于人脸属性分析的人证合一身份验证方法
CN102620766B (zh) 地下道路交通标志动态视认性测试方法
CN104915644B (zh) 一种基于差别数据重建的车牌智能判别方法
CN106679633B (zh) 一种车载测距系统及方法
CN104766042A (zh) 交通标志板识别方法及装置
CN106128113A (zh) 套牌车辆的识别方法及装置
CN106251635A (zh) 一种套牌嫌疑车牌号的识别方法及系统
CN102682304A (zh) 一种融合多特征的行人检测方法及装置
CN105184301B (zh) 一种利用四轴飞行器判别车辆方位的方法
CN103778409A (zh) 基于人脸特征数据挖掘的人脸识别方法与装置
CN103390167A (zh) 一种多特征的分层交通标志识别方法
CN106991419A (zh) 基于轮胎内壁随机纹理的防伪方法
CN105740886A (zh) 一种基于机器学习的车标识别方法
CN103425989A (zh) 一种基于显著性分析的车辆颜色识别方法
Wang et al. Advanced driver‐assistance system (ADAS) for intelligent transportation based on the recognition of traffic cones
CN108734008A (zh) 基于停车记录对车辆匿名的移动轨迹数据去匿名的方法
CN104182769A (zh) 一种车牌检测方法及系统
CN108960175A (zh) 一种基于深度学习的车牌识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PP01 Preservation of patent right
PP01 Preservation of patent right

Effective date of registration: 20191118

Granted publication date: 20180410

PD01 Discharge of preservation of patent
PD01 Discharge of preservation of patent

Date of cancellation: 20200714

Granted publication date: 20180410

CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: 310000 room 1408, building 2, Caizhi Shunfeng innovation center, No. 99, housheng street, Gongshu District, Hangzhou City, Zhejiang Province

Patentee after: HANGZHOU CHINAOLY TECHNOLOGY CO.,LTD.

Address before: 2 / F, building A04, 9 Jiusheng Road, Jianggan District, Hangzhou City, Zhejiang Province 310000

Patentee before: HANGZHOU CHINAOLY TECHNOLOGY CO.,LTD.